Ensemble Transfer Learning Model for the Detection of Diabetic Retinopathy Disease

Resumen

La retinopatía diabética (RD) es una de las principales causas de pérdida de visión, y su detección temprana es esencial para prevenir la ceguera. Este estudio investiga el uso de técnicas de aprendizaje por transferencia, aprendizaje profundo y fusión de modelos para mejorar la detección de la RD. Se evaluaron individualmente y en combinación cinco redes neuronales convolucionales (CNN) preentrenadas: ResNet50, VGG16, VGG19, DenseNet121 y EfficientNet-B7, utilizando el conjunto de datos de imágenes retinianas RGB APTOS 2019. Se aplicó el aprendizaje por transferencia para ajustar los modelos para la clasificación binaria de casos con y sin RD. Se implementaron cuatro estrategias de fusión para aprovechar las fortalezas complementarias de los modelos individuales. Los resultados experimentales demuestran que todos los enfoques de fusión superaron a las CNN independientes en términos de precisión, sensibilidad, especificidad y área bajo la curva (AUC). De los modelos individuales, DenseNet121 y EfficientNet-B7 obtuvieron los mejores resultados. Las estrategias de fusión basadas en datos difusos mejoraron aún más la precisión diagnóstica. El mejor modelo de fusión alcanzó una precisión del 98,64 % y una recuperación del 99,19 %, lo que demuestra la solidez del enfoque propuesto. Estos hallazgos resaltan el potencial de integrar el aprendizaje por transferencia con la fusión avanzada de modelos para crear sistemas automatizados, fiables y escalables para la detección temprana de la retinopatía diabética (RD). Dichos sistemas podrían facilitar la intervención clínica oportuna, mejorar los resultados de los pacientes y contribuir a una prestación de atención médica más eficiente.